各產業看重機器學習與AI應用的效益，競相投入發展智慧化，促使技術已相當成熟的資料分析領域，得以朝向更深入探究商業價值的方向發展。
廣受企業採用的Oracle資料庫系統也積極發揮專長，讓既有用戶基於In-Database機器學習演算技術，簡化AI應用複雜的程序，其最新增添的AutoML操作介面，更可讓資料科學家提升建構模型效率。
甲骨文（Oracle）台灣區技術總監黃久安指出，機器學習蒐集的大數據來源必定會包含應用系統內的資料，比如說得有ERP系統後端資料庫內容，才能夠做到價格預測；或者是有CRM系統存放的客戶消費資料，才能夠推論喜好與推薦。企業這類應用系統，後端大部分是甲骨文提供的資料庫，若直接在資料庫環境中納入機器學習演算法，則資料便無須離開資料庫。但若採用獨立的資料科學工具，勢必得到各個應用系統後端資料庫中撈取資料，經過彙整後再進行判斷、解讀，再執行演算模型分析，才產生出最終結果。
「甲骨文基於擅長的資料庫技術，持續研發現代企業營運所需的技術，讓客戶得以運用資料庫實作應用，以熟悉的PL/SQL程式語言開發預存程序（Stored Procedure），讓機器學習演算法在資料庫系統中直接運行，無須再搬動資料，即可達到分析的目的。」黃久安說。
滿足業務層面即時回應需求
前述的In-Database機器學習演算機制不僅可降低技術上的負擔，更重要的是業務層面可達到即時性。在既有的ERP、CRM系統的後端資料庫建立演算模型，更有助於簡化部署的複雜度，可直接把機器學習嵌入到應用系統整合運行，如此一來，即時性的效果更加顯著。
黃久安舉例，當顧客點選網頁查詢產品品項，背後執行程序皆為呼叫資料庫查詢，當顧客把產品放入購物車，直到完成結帳，該筆訂單的所有交易資料都存放在甲骨文資料庫，此外，滑鼠點選滾動查詢的行為記錄也予以保留，可在顧客點選切換至下一頁時，根據購買歷史記錄、網頁操作軌跡、個人資料特徵等資訊，運用演算模型判斷該用戶可能感興趣的產品，立刻在到達網頁上投放相關廣告。此應用模式現今已相當成熟，只是若基於資料庫來實作，更容易達到即時性的廣告放送。
換言之，若非In-Database的應用場景，欲達到前述的即時性，需要更多整合運行的程序，讓資料庫產生的資料可即時撈取，借助學習式演算法分析完成後再透過API介接存放回到資料庫，得耗費更多資源與成本才可符合業務層面需求。
預存程序撰寫演算法運行分析
分析模型本身是數學運算式的集合，預存程序則是資料庫程式語言，近年來資料科學家大多基於Python或R語言，來開發機器學習模型。Oracle Database Enterprise Edition系統核心，本就已提供Oracle Advanced Analytics免費機制，只要有資料庫授權即可使用，不需要額外費用，此即為預存程序撰寫完成的演算法。例如決策樹（Decision Tree）、類神經網路（Artificial Neural Network）等，商務應用常見的演算法早在Oracle 8版時就已經提供，文字探勘（Text Mining）則是在Oracle 11版時加入。
甲骨文設計的操作方式有兩種，其一是透過資料庫管理者慣用的SQL Developer圖形化介面，執行資料探勘（Data Mining）功能。另一種是基於Python或R語言的整合開發環境自行撰寫，加入Oracle提供的函式庫（Library），有助於提升建模的效率。
目前機器學習的應用，大多是非即時性分析，再依據結論執行調整，甲骨文基於In-Database來實作，不僅可簡化複雜技術達到相同目標，更重要的是具備即時性。黃久安進一步說明，現代的ERP、CRM等應用系統採用機器學習演算模型已相當普遍，尤其是即時性分析，大眾皆已理解其效益，在顧客瀏覽網頁的當下可立即反應，甚至可基於網路蒐集取得的資料，運用現有模型來判斷惡意攻擊行為並加以阻斷。這類成熟的應用在Oracle資料庫系統即可實現，無須採用額外工具，即可達到相同目的。除非Oracle提供的商業演算法皆不適用，或者是必須整合多種類別演算法來處理特定問題，則可運用Python或R語言自行撰寫，再整合Oracle資料庫中內建的演算法來建立。
以往為了提供機器學習演算分析，資料通常需要經過蒐集與整理，若商業應用場景規模得大量處理，必須先在資料倉儲彙整相關應用系統後端資料庫，以及非結構化的資料，過去資料倉儲主要是離線分析，也就是在彙整資料後才開始運行分析，輔助高階管理層商業決策。如今則可在運算完成當下立即拋送到前端應用，快速地反應用戶需求。
AutoML Pipeline提升建模效率
近來資料科學領域相當關注AutoML，不僅提高資料科學家建模效率，亦有機會讓非專家級用戶也可充分利用機器學習的優勢。黃久安說明，資料科學家建立機器學習模型的程序，首要必須先了解商業營運的問題本質與尋找解決方法，其次是理解企業應用系統產生的資料內容，第三是準備所需的資料，接下來著手建立機器學習模型、評估有效性、部署到線上應用系統。
為了簡化程序，整個AutoML Pipeline把耗時且重複的建模過程予以自動化，包含四個主要步驟，演算法選擇（Algorithm Selection）、自適應採樣（Adaptive Sampling）、特徵值選擇（Feature Selection）以及超參數調整（Hyperparameter Tuning）。「Oracle資料庫中內建決策樹、貝氏、類神經、迴歸等演算模型，皆為預測性質，直接套用即可運行分析。資料表中的許多欄位關聯性不大，理應要有排除機制降低噪音，再依據應用場景所需分析的特徵，從Dataset篩選欄位，套用範本篩選三次以上才可確認取樣的代表性，最後進行超參數調整優化模型的預測分析。」黃久安說。
甲骨文台灣區技術總監黃久安建議，AutoML由資料科學家來建立，依據資料內容型態選用模型，套用範本運算結果評估最合適的方法，最後是超參數調整，整個過程程序相當多，採用工具輔助才可降低重複工作的程序。
過去整個AutoML執行是以天為單位，如今搭配運算力強大的硬體，已經可降低到以小時為單位，甚至更短時間，讓資料科學家可以有更充裕的時間專注在解決特定問題。他舉例，SVM（Support Vector Machine）是在分類與迴歸分析中，分析資料的監督式學習模型與相關學習演算法，得到的分數愈高則無須再驗證，可以有更多時間了解實際應用部門的資料特性，研究處理問題的方式與準確度。